import streamlit as st
import pandas as pd
import numpy as np
import faiss
import matplotlib.pyplot as plt
import seaborn as sns
from sentence_transformers import SentenceTransformer

# --- SAYFA AYARLARI ---
st.set_page_config(
    page_title="Motion-S: Text-to-Motion",
    page_icon="🕺",
    layout="wide"
)

# --- CSS İLE GÖRSELLEŞTİRME ---
st.markdown("""
    <style>
    .main { background-color: #f5f7f9; }
    .stTextInput > div > div > input { background-color: #ffffff; }
    .token-box { 
        background-color: #262730; 
        color: #00ff41; 
        padding: 15px; 
        border-radius: 10px; 
        font-family: monospace;
        border-left: 5px solid #00ff41;
    }
    </style>
    """, unsafe_allow_html=True)

# --- MODEL VE VERİ YÜKLEME ---
@st.cache_resource
def load_assets():
    # Modeli HF sunucularından çeker
    model = SentenceTransformer('all-mpnet-base-v2')
    
    # Senin yerelde/Kaggle'da kaydettiğin dosyaları okur
    # Dosya isimlerinin tam olarak bunlar olduğundan emin ol
    index = faiss.read_index("faiss_index.bin")
    df = pd.read_csv("train_data_final.csv")
    
    return model, index, df

try:
    model, index, df = load_assets()
except Exception as e:
    st.error(f"Dosyalar yüklenirken hata oluştu! Lütfen 'faiss_index.bin' ve 'train_data_final.csv' dosyalarının yüklendiğinden emin olun. Hata: {e}")
    st.stop()

# --- YARDIMCI FONKSİYONLAR ---
def plot_motion_density(token_string):
    """Token dizisini ısı haritasına dönüştürür."""
    tokens = [int(t) for t in str(token_string).split()]
    data = np.array(tokens[:100]) # İlk 100 token yeterli
    
    # 10x10'luk bir matris oluştur
    if len(data) < 100:
        data = np.pad(data, (0, 100 - len(data)), mode='constant')
    
    matrix = data.reshape(10, 10)
    
    fig, ax = plt.subplots(figsize=(5, 4))
    sns.heatmap(matrix, annot=False, cmap="viridis", cbar=True, ax=ax)
    ax.set_title("Hareket Yoğunluk Haritası (İlk 100 Token)")
    ax.axis('off')
    return fig

# --- ARAYÜZ ---
st.title("🕺 Motion-S: Hierarchical Motion Synthesis")
st.markdown("Doğal dil girişini hiyerarşik hareket tokenlarına dönüştüren yapay zeka arayüzü.")

query = st.text_input("Bir hareket cümlesi veya Gloss girin:", placeholder="Örn: a person walking slowly or 'WALK SLOW'")

if query:
    with st.spinner('En yakın hareket hesaplanıyor...'):
        # 1. Arama (Retrieval)
        q_emb = model.encode([query], normalize_embeddings=True)
        D, I = index.search(q_emb, 1)
        
        best_idx = I[0][0]
        match_score = D[0][0]
        res_row = df.iloc[best_idx]

    # --- SONUÇLARI GÖSTER ---
    st.divider()
    
    col1, col2 = st.columns([1, 1.2])

    with col1:
        st.subheader("🎯 Eşleşme Bilgileri")
        st.write(f"**Eşleşen Cümle:** {res_row['sentence']}")
        st.write(f"**Gloss:** `{res_row['gloss']}`")
        st.metric("Benzerlik Skoru", f"{match_score:.4f}")
        
        st.write("---")
        st.write("**Görsel Analiz:**")
        fig = plot_motion_density(res_row['base_tokens'])
        st.pyplot(fig)

    with col2:
        st.subheader("🔢 Hiyerarşik Token Karşılıkları")
        
        tab_base, tab_res = st.tabs(["Ana Hareket (Base)", "Residual Katmanlar"])
        
        with tab_base:
            st.markdown('<p style="color: grey;">Base tokens (Ana iskelet)</p>', unsafe_allow_html=True)
            st.markdown(f'<div class="token-box">{res_row["base_tokens"]}</div>', unsafe_allow_html=True)
        
        with tab_res:
            st.write("Residual katmanlar hareketin detaylarını (fine-grained) içerir.")
            selected_layer = st.selectbox("Katman Seç:", ["residual_1", "residual_2", "residual_3", "residual_4", "residual_5"])
            st.markdown(f'<div class="token-box">{res_row[selected_layer]}</div>', unsafe_allow_html=True)

    st.success("Hareket başarıyla sentezlendi! Bu tokenlar animasyon motoruna gönderilmeye hazırdır.")

else:
    st.info("Lütfen yukarıdaki kutuya bir metin girerek analizi başlatın.")
    
# Alt Bilgi
st.markdown("---")
st.caption("Motion-S Project | SBERT + FAISS + Streamlit Deployment")